推荐参考：（知乎）
https://zhuanlan.zhihu.com/p/37963267
要点理解：
1.fm应用场景，为什么提出了fm（和lr的不同点）
ctr预测，特征组合，fm的隐向量分解，lr的二次项
2.fm的两个好处
第一，为什么在数据稀疏情况下有效？
（1）首先来说数据稀疏，是因为0-1编码后通常出现的情况，如果用lr的话，Wij 和 Wih 是独立的，比如<男，篮球>代表Wij，课用于训练的样本可能只有100个，但如果用隐向量V，注意
内积<vi,vj> 和 <vi,vh>不是完全独立的，能用于训练vi的数据，也就是<男，XXX>的数据都可以，远远大于100个，训练会更加有效
（2）fm中隐向量可以表示之前没有出现过的交叉特征。因为lr中<男，化妆品>如果在原始数据中为0，则wij系数就是为0，但是用fm，可能会计算出不一样的结果
第二，线性时间复杂度
原始wij有n*(n-1)/2个，但是使用矩阵v，k行n列，参数量变为k*n
下一篇：deepfm in pytorch（csdn博客）
https://blog.csdn.net/w55100/article/details/90295932